Copertina

Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Ratn, Shiv, Rampriyan, Shivang, Ray, Bahni
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Interpretable Fuzzy Systems For Forward Osmosis Desalination
di: Khaled, Qusai, et al.
Pubblicazione: (2026)

Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification
di: Furlong, Aidan, et al.
Pubblicazione: (2025)

Development and Deployment of Hybrid ML Models for Critical Heat Flux Prediction in Annulus Geometries
di: Furlong, Aidan, et al.
Pubblicazione: (2025)

DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling
di: Akhare, Deepak, et al.
Pubblicazione: (2023)

Enhancing Trustworthiness in ML-Based Network Intrusion Detection with Uncertainty Quantification
di: Talpini, Jacopo, et al.
Pubblicazione: (2023)

HybridFlow: Quantification of Aleatoric and Epistemic Uncertainty with a Single Hybrid Model
di: Van Katwyk, Peter, et al.
Pubblicazione: (2025)

Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution
di: Wu, Tailin, et al.
Pubblicazione: (2024)

Osmosis Distillation: Model Hijacking with the Fewest Samples
di: Shi, Yuchen, et al.
Pubblicazione: (2026)

Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux
di: Cazzola, Michele, et al.
Pubblicazione: (2026)

Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models
di: Chu, Minghan, et al.
Pubblicazione: (2025)

Statistical Inference in Tensor Completion: Optimal Uncertainty Quantification and Statistical-to-Computational Gaps
di: Ma, Wanteng, et al.
Pubblicazione: (2024)

On the Uncertainty Quantification Ability of Tabular Foundation Models
di: Johnson, Tyler R., et al.
Pubblicazione: (2026)

Predicting Critical Heat Flux with Uncertainty Quantification and Domain Generalization Using Conditional Variational Autoencoders and Deep Neural Networks
di: Alsafadi, Farah, et al.
Pubblicazione: (2024)

Exploring Efficient Quantification of Modeling Uncertainties with Differentiable Physics-Informed Machine Learning Architectures
di: Oddiraju, Manaswin, et al.
Pubblicazione: (2025)

Calibrated Physics-Informed Uncertainty Quantification
di: Gopakumar, Vignesh, et al.
Pubblicazione: (2025)

TCUQ: Single-Pass Uncertainty Quantification from Temporal Consistency with Streaming Conformal Calibration for TinyML
di: Lamaakal, Ismail, et al.
Pubblicazione: (2025)

Epistemic Wrapping for Uncertainty Quantification
di: Sultana, Maryam, et al.
Pubblicazione: (2025)

Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference
di: Shih, Frank, et al.
Pubblicazione: (2025)

Physics-informed Information Field Theory for Modeling Physical Systems with Uncertainty Quantification
di: Alberts, Alex, et al.
Pubblicazione: (2023)

Towards Uncertainty Quantification in Generative Model Learning
di: Morales, Giorgio, et al.
Pubblicazione: (2025)

Zero-Shot Uncertainty Quantification using Diffusion Probabilistic Models
di: Shu, Dule, et al.
Pubblicazione: (2024)

Uncertainty Quantification With Multiple Sources
di: Ying, Mufang, et al.
Pubblicazione: (2024)

Position: There Is No Free Bayesian Uncertainty Quantification
di: Melev, Ivan, et al.
Pubblicazione: (2025)

Is the Last Layer Sufficient for Uncertainty Quantification?
di: Wilson, Joseph, et al.
Pubblicazione: (2026)

Probabilistic Super-Resolution for High-Fidelity Physical System Simulations with Uncertainty Quantification
di: Zhang, Pengyu, et al.
Pubblicazione: (2025)

Direct Interval Propagation Methods using Neural-Network Surrogates for Uncertainty Quantification in Physical Systems Surrogate Model
di: Faza, Ghifari Adam, et al.
Pubblicazione: (2026)

Bayesian Parametric Matrix Models: Principled Uncertainty Quantification for Spectral Learning
di: Nooraiepour, Mohammad
Pubblicazione: (2025)

Biased Dreams: Limitations to Epistemic Uncertainty Quantification in Latent Space Models
di: Berger, Julia, et al.
Pubblicazione: (2026)

Detecting Misbehaviors of Large Vision-Language Models by Evidential Uncertainty Quantification
di: Huang, Tao, et al.
Pubblicazione: (2026)

Model-Agnostic Dynamic Feature Selection with Uncertainty Quantification
di: Fumanal-Idocin, Javier, et al.
Pubblicazione: (2025)

Uncertainty Quantification in the Tsetlin Machine
di: Helin, Runar, et al.
Pubblicazione: (2025)

Uncertainty Quantification in SVM prediction
di: Anand, Pritam
Pubblicazione: (2025)

Conf-Gen: Conformal Uncertainty Quantification for Generative Models
di: Loaiza-Ganem, Gabriel, et al.
Pubblicazione: (2026)

Uncertainty Quantification for In-Context Learning of Large Language Models
di: Ling, Chen, et al.
Pubblicazione: (2024)

Uncertainty Quantification for Quantum Computing
di: Bennink, Ryan, et al.
Pubblicazione: (2026)

Multidimensional Uncertainty Quantification via Optimal Transport
di: Kotelevskii, Nikita, et al.
Pubblicazione: (2025)

Uncertainty Quantification with the Empirical Neural Tangent Kernel
di: Wilson, Joseph, et al.
Pubblicazione: (2025)

Multivariate Uncertainty Quantification with Tomographic Quantile Forests
di: Kanazawa, Takuya
Pubblicazione: (2025)

Uncertainty Quantification Metrics for Deep Regression
di: Lind, Simon Kristoffersson, et al.
Pubblicazione: (2024)

Interventional Processes for Causal Uncertainty Quantification
di: Dance, Hugh, et al.
Pubblicazione: (2024)